怎么用Python分析44萬(wàn)條數(shù)據(jù)

本篇文章給大家分享的是有關(guān)怎么用Python分析44萬(wàn)條數(shù)據(jù)，小編覺(jué)得挺實(shí)用的，因此分享給大家學(xué)習(xí)，希望大家閱讀完這篇文章后可以有所收獲，話不多說(shuō)，跟著小編一起來(lái)看看吧。

有個(gè)段子講“十年文案老司機(jī)，不如網(wǎng)易評(píng)論區(qū)，網(wǎng)易文豪遍地走，評(píng)論全部單身狗”，網(wǎng)易云音樂(lè)的評(píng)論區(qū)也一直都是各類文案大神的聚集地。

那么我們普通用戶到底如何成為網(wǎng)易云音樂(lè)評(píng)論里的熱評(píng)段子手？

讓我來(lái)分析一下。

獲取數(shù)據(jù)

其實(shí)邏輯并不復(fù)雜：

1. 爬取歌單列表里的所有歌單url。

2. 進(jìn)入每篇歌單爬取所有歌曲url，去重。

3. 進(jìn)入每首歌曲首頁(yè)爬取熱評(píng)，匯總。

歌單列表是這樣的：

翻頁(yè)并觀察它的url變化，注意下方動(dòng)圖，每次翻頁(yè)末尾變化35。

采用requests+pyquery來(lái)爬取。

在學(xué)習(xí)過(guò)程中有什么不懂得可以加我的
python學(xué)習(xí)交流扣扣qun，784758214
群里有不錯(cuò)的學(xué)習(xí)視頻教程、開(kāi)發(fā)工具與電子書籍。
與你分享python企業(yè)當(dāng)下人才需求及怎么從零基礎(chǔ)學(xué)習(xí)好python，和學(xué)習(xí)什么內(nèi)容
def get_list():
    list1 = []
    for i in range(0,1295,35):
        url = 'https://music.163.com/discover/playlist/?order=hot&cat=%E5%8D%8E%E8%AF%AD&limit=35&offset='+str(i)
        print('已成功采集%i頁(yè)歌單\n' %(i/35+1))
        data = []
        html = restaurant(url)
        doc = pq(html)
        for i in range(1,36): # 一頁(yè)35個(gè)歌單
            a = doc('#m-pl-container > li:nth-child(' + str(i) +') > div > a').attr('href')
            a1 = 'https://music.163.com/api' + a.replace('?','/detail?')
            data.append(a1)
        list1.extend(data)
        time.sleep(5+random.random())
    return list1

這樣我們就可以獲得38頁(yè)每頁(yè)35篇歌單，共1300+篇歌單。

下面我們需要進(jìn)入每篇歌單爬取所有歌曲url，并且要注意最后“去重”，不同歌單可能包含同一首歌曲。

點(diǎn)開(kāi)一篇歌單，注意紅色圈出的id。

觀察一下，我們要在每篇歌單下方獲取的信息也就是紅框圈出的這些，利用剛剛爬取到的歌單id和網(wǎng)易云音樂(lè)的api（下一篇文章細(xì)講）可以構(gòu)造出：

不方便看的話我們解析一下json。

def get_playlist(url):
    data = []
    doc = get_json(url)
    obj=json.loads(doc)
    jobs=obj['result']['tracks']
    for job in jobs:
        dic = {}
        dic['name']=jsonpath.jsonpath(job,'$..name')[0] #歌曲名稱
        dic['id']=jsonpath.jsonpath(job,'$..id')[0] #歌曲ID
        data.append(dic)
    return data

這樣我們就獲取了所有歌單下的歌曲，記得去重。

#去重
data = data.drop_duplicates(subset=None, keep='first', inplace=True)

剩下就是獲取每首歌曲的熱評(píng)了，與前面獲取歌曲類似，也是根據(jù)api構(gòu)造，很容易就找到了。

def get_comments(url,k):
    data = []
    doc = get_json(url)
    obj=json.loads(doc)
    jobs=obj['hotComments']
    for job in jobs:
        dic = {}
        dic['content']=jsonpath.jsonpath(job,'$..content')[0] 
        dic['time']= stampToTime(jsonpath.jsonpath(job,'$..time')[0])
        dic['userId']=jsonpath.jsonpath(job['user'],'$..userId')[0]  #用戶ID
        dic['nickname']=jsonpath.jsonpath(job['user'],'$..nickname')[0]#用戶名
        dic['likedCount']=jsonpath.jsonpath(job,'$..likedCount')[0] 
        dic['name']= k
        data.append(dic)
    return data

匯總后就獲得了44萬(wàn)條音樂(lè)熱評(píng)數(shù)據(jù)。

數(shù)據(jù)分析

清洗填充一下。

def data_cleaning(data):
    cols = data.columns
    for col in cols:
        if data[col].dtype ==  'object':
            data[col].fillna('缺失數(shù)據(jù)', inplace = True)
        else:
            data[col].fillna(0, inplace = True)
    return(data)

按照點(diǎn)贊數(shù)排個(gè)序。

#排序
df1['likedCount'] = df1['likedCount'].astype('int')
df_2 = df1.sort_values(by="likedCount",ascending=False)
df_2.head()

再看看哪些熱評(píng)是被復(fù)制粘貼搬來(lái)搬去的。

#排序
df_line = df.groupby(['content']).count().reset_index().sort_values(by="name",ascending=False)
df_line.head()

第一個(gè)和第三個(gè)只是末尾有沒(méi)有句號(hào)的區(qū)別，可以歸為一類。這樣的話，重復(fù)次數(shù)最多個(gè)這句話竟然重復(fù)了412次，額~~

看看上熱評(píng)次數(shù)次數(shù)最多的是哪位大神？從他的身上我們能學(xué)到什么經(jīng)驗(yàn)？

df_user = df.groupby(['userId']).count().reset_index().sort_values(by="name",ascending=False)
df_user.head()

按照 user_id 匯總一下，排序。

成功“捕獲”一枚“段子手”，上熱評(píng)次數(shù)高達(dá)347，我們?cè)倏纯催@位大神究竟都評(píng)論些什么？

df_user_max = df.loc[(df['userId'] == 101***770)]
df_user_max.head()

這位“失眠的陳先生”看來(lái)各種情話嫻熟于手啊，下面就以他舉例來(lái)看看如何成為網(wǎng)易云音樂(lè)評(píng)論里的熱評(píng)段子手吧。

數(shù)據(jù)可視化

先看看這347條評(píng)論的贊數(shù)分布。

#贊數(shù)分布圖
import matplotlib.pyplot as plt
data = df_user_max['likedCount']
#data.to_csv("df_user_max.csv", index_label="index_label",encoding='utf-8-sig')
plt.hist(data,100,normed=True,facecolor='g',alpha=0.9)
plt.show()

很明顯，贊數(shù)并不多，大部分都在500贊之內(nèi)，幾百贊卻能躋身熱評(píng)，這也側(cè)面說(shuō)明了這些歌曲是比較小眾的，看來(lái)是經(jīng)常在新歌區(qū)廣撒網(wǎng)。

我們使用len() 求出每條評(píng)論的字符串長(zhǎng)度，再畫個(gè)分布圖

評(píng)論的字?jǐn)?shù)集中在18—30字之間，這說(shuō)明在留言時(shí)要注意字?jǐn)?shù)，保險(xiǎn)的做法是不要太長(zhǎng)讓人讀不下去，也不要太短以免不夠經(jīng)典。

做個(gè)詞云。

可以看出他的評(píng)論風(fēng)格是以一首歌使他“想起”“感覺(jué)”為開(kāi)頭，賓語(yǔ)通常是“喜歡的女孩子”，也經(jīng)常用”她”來(lái)指代。寄托的情感是“后悔”“悲傷”，感慨的終點(diǎn)是“放下”。

以上就是怎么用Python分析44萬(wàn)條數(shù)據(jù)，小編相信有部分知識(shí)點(diǎn)可能是我們?nèi)粘９ぷ鲿?huì)見(jiàn)到或用到的。希望你能通過(guò)這篇文章學(xué)到更多知識(shí)。更多詳情敬請(qǐng)關(guān)注億速云行業(yè)資訊頻道。